- 博客(1101)
- 收藏
- 关注
RSS订阅
原创 盘点50个AI大模型企业和典型产品
ChatGPT：是OpenAI推出的非常具有影响力的聊天机器人程序，能够进行自然流畅的对话、文本创作、问题解答等，不断迭代升级，引发了全球对大模型的广泛关注。- GPT-4O：OpenAI的新一代AI模型，在语言理解和生成能力上有进一步提升，能够感知用户的情绪，并针对问题以带有情绪的“嗓音”做出反馈。- Sora：文生视频大模型，可根据文本指令生成复杂且具有一定时长的视频，具有多个镜头、准确的角色和视觉风格保留等特点，但仍在开发完善中。
2024-10-10 16:54:30
3495
原创 9款GPU横评，哪些适合大模型训练，哪些适合推理任务？
在 AI 领域，有两大场景对 GPU 的需求最大，一个是模型训练，另一个是 AI 推理任务。但是很多人多可能在最开始为自己的项目做 GPU 选型时，都很难判断哪些 GPU 适合做模型训练，哪些 GPU 更适合去做推理任务。所以我们通过这篇文章将基于 GPU 指标来帮助大家对比分析NVIDIA 的 H100、A100、A6000、A4000、V100、P6000、RTX 4000、L40s、L4 九款GPU，哪些更推荐用于模型训练，哪些则更推荐用于推理。
2024-09-24 15:10:47
9484
原创 大模型学习路线（超全面！超详细！）收藏这一篇就够了！
在深度学习领域，"大模型"通常指的是模型参数数量庞大、拥有深层结构的神经网络。这些模型的规模通常表现为网络中的参数数量，即模型中需要学习的权重和偏置的数量。具体来说，大模型可能包含数百万到数十亿的参数。
2024-09-23 11:59:31
4031
原创 深度学习必备框架：7步轻松搞定 Pytorch 基础！
接下来我们定义网络结构，由于是图像分类任务，因此我们的节点维度使用逐步降低的定义。nn.Flatten(), # 将维度转换为二维nn.Linear(784, 256), # 全连接层nn.ReLU(), # 激活函数nn.Linear(256, 10) # 全连接层。
2023-01-30 10:02:57
2796
原创 AI Agent 案例精讲：LangChain 框架落地与高考信息查询流程优化
本文介绍了基于LangChain框架的高考信息查询功能重构实践。原方案通过手工流程实现语义匹配、SQL生成、数据查询和结果分析，但存在扩展性不足的问题。采用LangChain框架后，利用其顺序链(SequentialChain)特性，将流程拆分为三个明确步骤：语义匹配表结构、生成执行SQL、分析结果。文章详细展示了代码实现，包括服务初始化、提示模板设计、链式调用构建等关键环节，并演示了"2016年考生人数"查询测试结果，验证了框架在规范流程、提升扩展性方面的优势。
2025-09-05 19:36:49
579
原创 你的 Agent 为何始终达不到理想效果？别只盯着上下文工程下功夫！
AI工程新范式：12-Factor Agents方法论解析 摘要： 随着Context Engineering（上下文工程）成为AI领域新焦点，Dex Horthy提出"12-Factor Agents"方法论，将LLM视为无状态函数，通过12条工程原则构建可靠、可维护的AI系统。核心观点包括：将工具调用简化为JSON+代码结构；显式控制执行流程而非依赖LLM判断；合并执行状态与业务状态以简化架构。该方法强调在确定性代码中精准嵌入LLM能力，而非构建完全自主的黑盒系统，为复杂AI应用开发
2025-09-04 20:45:00
740
原创 大模型微调不用愁！一文搞懂五种关键技术
大模型微调指南：从理论到实战 本文系统讲解大模型微调技术，将通用AI转化为专业工具。核心内容包括： 微调本质解析 - 类比"学霸实习"，使通用模型掌握行业技能 五大微调方法：全参微调（高成本高效果）、PEFT（低成本高效）、提示词微调、指令微调、RLHF（ChatGPT核心技术） 五步实操流程：数据准备→模型选择→参数设置→效果评估→部署优化 学习资源推荐：包含完整学习路线、实战项目及行业专家整理的书籍资料 文末提供全套大模型学习资料包（含视频/案例/面试题），适合零基础开发者快速入门高
2025-09-04 20:00:00
1300
原创 从零了解智能问答：问答对和 RAG 两种常见方式
智能问答系统分为两种主流方案：基于问答对的问答和文档检索增强生成（RAG）。问答对方案通过预设问答库进行匹配，适合FAQ等固定场景，成本低但灵活性差；RAG则结合向量检索与大模型生成，能处理复杂查询，维护简单但成本较高。实际应用中，建议根据场景选择：客服等简单问答用问答对方案，研发文档等复杂场景更适合RAG，混合方案可兼顾效率与灵活性。随着技术进步，RAG将成为主流趋势。
2025-09-04 19:15:00
588
原创 大模型推理部署框架怎么选？：vLLM、SGLang、TensorRT-LLM、ollama、XInference框架对比
大模型推理部署框架怎么选？：vLLM、SGLang、TensorRT-LLM、ollama、XInference框架对比
2025-09-04 14:48:16
800
原创 颠覆认知：提示工程未死，反而重生为计算科学，一篇讲透 Prompt 设计的科学内核
大模型多步推理能力的突破与提示设计理论框架 摘要：本文揭示了Transformer架构在数学证明、棋类推理等多步推理任务中的固有缺陷——其注意力机制的固定计算步数限制（TC⁰复杂度）无法适应动态深度的推理需求。研究提出Chain-of-Thought（CoT）通过文本外化隐状态实现虚拟循环计算，并首次建立提示设计的理论框架，证明提示作为"信息选择器"可优化推理性能超50%。实验显示监督提示在9类任务中准确率显著优于无监督方法（如栈操作任务96% vs 0%），为LLM复杂推理提供了从经验
2025-09-03 21:00:00
715
原创 聚焦前沿：李飞飞谈 Agent_AI 多模态交互的探索重点与突破方向
人工智能发展源远流长，1956 年达特茅斯会议首次定义 AI 为 “可从环境收集信息并有效交互的人工生命形式”，奠定认知基础。1970 年米斯基团队 “复制演示” 机器人系统，揭示 AI 研究挑战，此后领域分化出机器学习等多个子领域。如今 LLMs 与 VLMs 革新，推动 AI 社区从被动任务模型转向动态智能体，也让符合 “整体论” 的多能力 AI 体成为可能。本文聚焦融合多能力的 AI 模型，既强调其在多领域的应用潜力，也关注伦理问题，为多模态智能体发展提供全面视角。
2025-09-03 20:00:00
913
原创 普通人也能学！深度定制大模型的大白话指南
大语言模型在应用中存在偏见、毒性和知识错误三大问题。针对这些问题，研究者提出了模型编辑技术，通过局部修改模型参数来修正错误，避免重新训练的高成本。模型编辑方法分为外部拓展法（知识缓存、附加参数）和内部修改法（元学习、定位编辑）。关键评估指标包括准确性、泛化性、可迁移性、局部性和高效性。其中，定位编辑法通过修改特定神经元来精准调整知识表现，是目前最具前景的研究方向。该技术为快速修正大模型错误提供了高效解决方案，但仍需平衡知识的关联性与编辑的精准性。
2025-09-03 18:45:00
470
原创 手把手教你：通过 FastAPI 实现 DeepSeek 与 Qwen 大模型服务集成
本文介绍了如何使用FastAPI框架集成DeepSeek和Qwen大语言模型服务。FastAPI作为高性能Python Web框架，具有快速开发、高效编码等优势。文章详细展示了如何配置API密钥、安装依赖库，并提供了完整的代码实现，通过统一接口调用不同模型服务。最后给出了启动应用和测试接口的方法，帮助开发者快速构建大模型聚合服务。学习大模型技术可把握AI领域发展机遇，解决当前人才短缺问题。
2025-09-02 22:00:00
1042
原创 小白入门必看：一文了解提示词、提示词工程和上下文工程
摘要： 提示词是人与AI模型交互的基础载体，通过结构化设计和优化可提升输出质量（提示词工程）。上下文工程则通过整合历史对话、外部数据和工具调用，为模型提供全面背景信息。两者协同工作，前者优化单次交互，后者构建智能系统的信息基础。技术演进从简单提示词发展为提示词工程，再到更复杂的上下文工程。文章提供了提示词模板、优化工具及上下文管理方法，适用于从基础任务到AI智能体开发的不同场景。 （字数：149）
2025-09-02 20:00:00
903
原创 小白也能变大神，手把手教你LLaMA-Factory 微调医疗问答模型
摘要： 本文介绍如何使用LLaMA-Factory工具微调Qwen3-0.6B-Instruct模型构建中文医疗问答系统。该工具简化了大模型微调流程，提供可视化Web界面，无需编写复杂代码。从环境搭建（Ubuntu+CUDA+PyTorch）、安装LLaMA-Factory，到数据处理（Huatuo-Lite医疗数据集格式化）、参数配置（学习率5e-5、3-5训练轮次等关键参数说明），完整演示了微调过程。通过QLoRA技术实现消费级GPU（如RTX 3080）即可训练，最终可生成能回答医疗问题的AI助手，显
2025-09-02 19:00:00
1115
原创 零基础入门：n8n工作流自动化平台详解，从界面到核心组件，助你快速掌握AI自动化必备技能（建议收藏）
零基础入门：n8n工作流自动化平台详解，从界面到核心组件，助你快速掌握AI自动化必备技能（建议收藏）
2025-09-02 16:32:45
993
原创 吐血整理！2025 大厂 AI 大模型高薪岗 Transformer 面试题全汇总
吐血整理！2025 大厂 AI 大模型高薪岗 Transformer 面试题全汇总
2025-09-02 16:16:04
803
原创 打破认知！RAG 不止能检索，更是 LangGraph 中的 “工具调用大脑”
本文介绍了一种基于LangGraph和LangChain的模块化RAG系统实现方案。通过将检索器封装为可调用工具，并利用LangGraph的图结构流程编排能力，构建了一个灵活可扩展的餐厅问答代理系统。该系统能精准处理"BellaVista"餐厅相关查询，并通过独立工具处理无关话题，保持了最小代理状态。文章详细展示了从环境配置、数据准备到工作流构建的全过程，包括检索器工具化、状态管理、条件路由等关键环节，为模块化RAG开发提供了可落地的参考方案。虽然当前实现存在扩展性和记忆性局限，但为传统
2025-09-01 21:00:00
1401
原创 大模型上下文工程：如何用图记忆、向量检索与多智能体构建 “智能记忆系统”？
本文系统探讨了上下文工程在大语言模型应用中的核心作用。通过分析当前LLM系统存在的记忆缺失、幻觉等问题，指出问题根源在于上下文管理不当。文章提出"航海家"旅行助手案例，结合LangChain、Neo4j等技术实现短期记忆、持久记忆和运行时上下文的智能管理。对比测试表明，经过设计的智能上下文系统在准确性、个性化等指标上显著优于标准RAG和长上下文模型。进一步介绍了多智能体系统中的上下文隔离策略，以及图数据库与向量检索的融合应用。研究表明，合
2025-09-01 18:38:55
530
原创 从 Cursor 到 Claude Code：告别 AI 编程工具 Agent 配置难题，下一代通用 Agent 规范语言 ASL 深度解析
本文系统分析了8种主流AI编程工具的规则配置机制，将其分为结构化、启发式和人格化三类方法，揭示了不同工具在设计理念上的差异化。基于此，作者提出将OpenAI的AGENTS.md规范从编码领域扩展至更广泛的Agent应用场景，构建通用Agent规范语言(ASL)，以解决当前生态碎片化问题。文章详细比较了各工具的配置文件格式、核心指令概念及优缺点，强调需要平衡机器可读性与人类可读性，最终实现各类Agent约束规则的自动化生成。
2025-09-01 17:35:13
865
原创 【AI 企业落地指南】从知识构建到应用：为什么知识库才是企业 AI 竞争力的核心？
【AI 企业落地指南】从知识构建到应用：为什么知识库才是企业 AI 竞争力的核心？
2025-09-01 15:41:08
1278
原创 LangChain vs LangGraph 全面测评：谁才是 AI Agent 落地的最优解？
大模型落地有两大主流方向：workflow 搭建与 Agent 开发，而这两类场景的实现，都离不开框架的支持，这已是行业共识。框架选得对不对，直接影响项目落地的效率与效果。在众多框架中，LangChain 与 LangGraph 因同属一个生态、功能各有侧重，常年占据高讨论度。至于二者的选型逻辑，可先明确结论：LangChain 以丰富组件和 LCEL 编排能力为核心，适合处理简单的一次性任务；LangGraph 则专为有状态 Agent 系统设计，是这类复杂场景的优选。二者功能互补，实际开发中可根据场景灵
2025-08-31 20:00:00
610
原创 别盲目跟风！向量数据库选型的核心考量点
AI 技术火了！大型语言模型、生成式 AI 用得越来越多，但你知道吗？它们背后的高维度向量数据，得靠 “向量数据库” 来存储和检索。不过向量数据库不是 “一刀切” 的：有的快但成本高，有的兼容性好但性能有限。本文就扒一扒主流向量数据库的优劣势，帮你在实际用的时候，选到最适合自己的那一款。
2025-08-31 07:45:00
554
原创 别再死记公式！用 “找信息” 的例子，讲清 Transformer QKV 到底在算什么
在 Transformer 架构主导的现代大模型时代，QKV（Query・Key・Value）三元组绝非简单的线性变换模块 —— 它是注意力机制的 “核心引擎”，更是模型实现 “动态信息筛选” 与 “全局关联建模” 的关键载体。看似基础的 “线性投影→点积计算→权重分配” 流程，实则暗藏着大模型理解输入、聚焦重点、整合信息的底层逻辑。本文将跳出 “公式表层解读”，从计算逻辑的数学本质与数据存储的维度关联两大视角，拆解 QKV 如何让注意力机制从 “理论概念” 落地为大模型的 “认知能力”，带你穿透 QK
2025-08-30 19:50:39
915
原创 实习生月入破万！2025 报志愿必看：未来 15 年人才缺口 400 万，这个领域要火！
实习生月入破万！2025 报志愿必看：未来 15 年人才缺口 400 万，这个领域要火！
2025-08-30 16:50:16
3573
原创 【程序员必看】一文搞懂RAG检索增强生成：大模型知识更新的革命性解决方案
【程序员必看】一文搞懂RAG检索增强生成：大模型知识更新的革命性解决方案
2025-08-30 16:48:22
912
原创 RAG系统性能提升关键：文档分块策略实战
你是否也遇到过这样的困境：RAG系统搭载的LLM明明性能强劲，Prompt也经过反复调校，但最终的问答效果却始终不尽如人意——答案要么上下文缺失、逻辑断裂，要么夹杂事实性错误，难以满足需求？ 我们或许会优先排查检索算法的效率，或是优化Embedding模型的语义匹配精度，却常常忽略了一个关键环节：数据进入向量库前的文档分块。不合适的分块方式，相当于给后续流程提供了“劣质原料”——要么是顺序错乱的片段，要么是信息残缺的碎片。即便LLM能力再强，也无法从支离破碎的知识片段中，推理出完整、准确的答案。可以说，
2025-08-29 22:30:00
536
原创 大模型训练技术总结：监督微调（SFT）核心原理与实践
微调技术的分类可从不同维度清晰划分，核心分类逻辑与技术范畴如下，从**训练参数范围**来看，微调可分为两大方向：一是**全参数微调（Full Fine-Tuning）**，即对模型所有参数进行更新优化；二是**部分参数微调（Partial Fine-Tuning）**，仅针对性调整模型部分层或模块的参数。值得注意的是，**参数高效微调（PEFT，Parameter-Efficient Fine-Tuning）** 是部分参数微调的核心技术体系，涵盖一系列低参数消耗的具体方法与策略，因此在部分资料中，也会
2025-08-29 18:00:30
623
原创 大模型基础入门：模型量化的核心概念与技术全解析
大模型的训练与运行对计算资源需求极高：训练一个万亿参数级模型，往往需要调度数千块高性能GPU，总成本高达数百万美元。然而，当大模型从云端走向终端实际应用时——无论是智能手机的本地语音交互，还是智能汽车的车载场景理解——却面临着终端设备算力有限、能耗敏感、存储容量紧张的现实瓶颈。这就像一位力大无穷的巨人，空有强大能力，却在狭小的空间里难以灵活施展。为打破“云端强、终端弱”的适配僵局，**大模型量化技术**应运而生，成为连接大模型能力与终端部署需求的关键桥梁。
2025-08-29 17:26:21
970
原创 一文厘清 RAG 三大主流方案：传统 RAG、HyDE、Graph RAG 怎么选？附对比表格与工作流图解
摘要： 传统RAG通过检索外部知识增强LLM生成，减少幻觉但依赖检索质量；HyDE引入“假设性文档”优化检索语义匹配，提升召回率但增加计算开销；GraphRAG结合知识图谱增强推理能力，适合复杂关系场景但构建成本高。三者各有优劣，HyDE优化检索阶段，GraphRAG提升推理精度，未来或趋向融合应用。大模型学习资料涵盖理论、实战与面试题，助力零基础快速入门。
2025-08-29 12:01:21
730
原创 实战｜Dify+Neo4j+LLM 构建非遗问答系统：完整工作流与关键配置解析
文章摘要：本文介绍了一个基于大模型的自然语言处理工作流，用于文化遗产知识图谱问答系统。工作流包含三个核心模块：1)意图解析模块，通过Prompt将用户问题拆解为可识别的"关系"和"实体"，输出JSON格式；2)SQL匹配模块，根据解析结果自动生成Cypher查询语句；3)Neo4j查询模块，执行图谱查询并汇总结果。文中还分享了实现过程中的关键问题，如代码节点规范、HTTP请求编码处理等，并提供了大模型学习资源推荐，包括学习路线、实战项目、必读书籍和面试题库。
2025-08-28 18:37:23
736
原创 RAGFlow与Dify：知识库性能全面对比
RAGFlow知识库相比Dify的五大优势：1. 采用DeepDoc技术精准解析复杂文档，支持多语言混合、图表交织等场景；2. 提供页面排名、自动关键词提取、表格转HTML等进阶索引功能；3. 支持知识图谱生成，实现深度知识关联检索；4. 采用RAPTOR多路召回策略，结合向量/全文/图检索；5. 支持自定义元数据，实现精准筛选。配置上，Dify可通过API接入RAGFlow知识库，需填写API地址、密钥及具体知识库ID即可完成对接。
2025-08-28 17:54:12
608
原创 【收藏】RAG知识库实战指南：让智能体客服不再答非所问，从理论到落地的完整攻略
【收藏】RAG知识库实战指南：让智能体客服不再答非所问，从理论到落地的完整攻略
2025-08-28 17:15:15
643
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人